3  Adición de Variables: Parte 2

3.1 Cargamos las Librerías:

source('/home/barea/limpieza/ayuntamientos/model/R/script.R')

Attaching package: 'dplyr'

The following objects are masked from 'package:stats':

    filter, lag

The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union

4 Proceso Electoral 2015:

4.0.1 Cargar el Tibble:

En esta sección, cargamos el tibble que contiene los datos limpios del proceso electoral del año 2015.

datos_2015 <- read_csv("/home/barea/limpieza/ayuntamientos/{{cookiecutter.project_slug}}/data/preprocessed/datos_2015.csv")

Rows: 27110 Columns: 11
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (3): NOMBRE_ESTADO, MUNICIPIO, Partido
dbl (8): ID_ESTADO, ID_MUNICIPIO, Votos, NUM_VOTOS_VALIDOS, NUM_VOTOS_CAN_NR...

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

reactable(datos_2015)

4.0.2 Sustituir Valores:

En esta sección, sustituimos algunos valores de la variable ‘partido’.

datos_2015 <- procesar_variable(datos_2015, 'Partido')

4.0.3 Adición de Variables:

En esta sección, añadimos nuevas variables al tibble; si se presentaron coaliciones en el proceso electoral, se detectan y se añaden al tibble. Además, se agrega la variable ‘anio’ con el valor 2015.

datos_2015 <-  detectar_coaliciones(datos_2015)
datos_2015 <-  agregar_anio(datos_2015, anio=2015)

4.0.4 Filtrar Datos:

En esta sección, filtramos los datos para quedarnos únicamente con las columnas que nos interesan.

datos_2015 <- eliminar_na_y_cero(datos_2015)

4.0.5 Mostrar el Resultado:

Mostramos el tibble actualizado con las nuevas variables añadidas.

reactable(datos_2015)

4.0.6 Guardar los Resultados en la Carpeta ‘Processed’:

Finalmente, guardamos los datos actualizados en un archivo CSV en la carpeta ‘preprocessed’ para su uso posterior.

# write_csv(datos_2015, "/home/barea/limpieza/ayuntamientos/{{cookiecutter.project_slug}}/data/processed/datos_2015.csv")

5 Proceso Electoral 2016:

5.0.1 Cargar el Tibble:

En esta sección, cargamos el tibble que contiene los datos limpios del proceso electoral del año 2016.

datos_2016 <- read_csv("/home/barea/limpieza/ayuntamientos/{{cookiecutter.project_slug}}/data/preprocessed/datos_2016.csv")

Rows: 23677 Columns: 11
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (3): NOMBRE_ESTADO, MUNICIPIO, Partido
dbl (8): ID_ESTADO, ID_MUNICIPIO, Votos, NUM_VOTOS_VALIDOS, NUM_VOTOS_CAN_NR...

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

5.0.2 Sustituir Valores:

En esta sección, sustituimos algunos valores de la variable ‘partido’.

datos_2016 <- procesar_variable(datos_2016, 'Partido')

5.0.3 Adición de Variables:

En esta sección, añadimos nuevas variables al tibble; si se presentaron coaliciones en el proceso electoral, se detectan y se añaden al tibble. Además, se agrega la variable ‘anio’ con el valor 2016.

datos_2016 <-  detectar_coaliciones(datos_2016)
datos_2016 <-  agregar_anio(datos_2016, anio=2016)

5.0.4 Filtrar Datos:

En esta sección, filtramos los datos para quedarnos únicamente con las columnas que nos interesan.

datos_2016 <- eliminar_na_y_cero(datos_2016)

5.0.5 Mostrar el Resultado:

Mostramos el tibble actualizado con las nuevas variables añadidas.

reactable(datos_2016)

5.0.6 Guardar los Resultados en la Carpeta ‘Processed’:

Finalmente, guardamos los datos actualizados en un archivo CSV en la carpeta ‘preprocessed’ para su uso posterior.

# write_csv(datos_2016, "/home/barea/limpieza/ayuntamientos/{{cookiecutter.project_slug}}/data/processed/datos_2016.csv")

6 Proceso Electoral 2017:

6.0.1 Cargar el Tibble:

En esta sección, cargamos el tibble que contiene los datos limpios del proceso electoral del año 2017.

datos_2017 <- read_csv("/home/barea/limpieza/ayuntamientos/{{cookiecutter.project_slug}}/data/preprocessed/datos_2017.csv")

Rows: 6980 Columns: 11
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (3): NOMBRE_ESTADO, MUNICIPIO, Partido
dbl (8): ID_ESTADO, ID_MUNICIPIO, Votos, NUM_VOTOS_VALIDOS, NUM_VOTOS_CAN_NR...

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

6.0.2 Sustituir Valores:

En esta sección, sustituimos algunos valores de la variable ‘partido’.

datos_2017 <- procesar_variable(datos_2017, 'Partido')

6.0.3 Adición de Variables:

En esta sección, añadimos nuevas variables al tibble; si se presentaron coaliciones en el proceso electoral, se detectan y se añaden al tibble. Además, se agrega la variable ‘anio’ con el valor 2017.

datos_2017 <-  detectar_coaliciones(datos_2017)
datos_2017 <-  agregar_anio(datos_2017, anio=2017)

6.0.4 Filtrar Datos:

En esta sección, filtramos los datos para quedarnos únicamente con las columnas que nos interesan.

datos_2017 <- eliminar_na_y_cero(datos_2017)

6.0.5 Mostrar el Resultado:

Mostramos el tibble actualizado con las nuevas variables añadidas.

reactable(datos_2017)

6.0.6 Guardar los Resultados en la Carpeta ‘Processed’:

Finalmente, guardamos los datos actualizados en un archivo CSV en la carpeta ‘preprocessed’ para su uso posterior.

# write_csv(datos_2017, "/home/barea/limpieza/ayuntamientos/{{cookiecutter.project_slug}}/data/processed/datos_2017.csv")

7 Proceso Electoral 2018:

7.0.1 Cargar el Tibble:

En esta sección, cargamos el tibble que contiene los datos limpios del proceso electoral del año 2018.

datos_2018 <- read_csv("/home/barea/limpieza/ayuntamientos/{{cookiecutter.project_slug}}/data/preprocessed/datos_2018.csv")

Rows: 96265 Columns: 11
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (3): NOMBRE_ESTADO, MUNICIPIO, Partido
dbl (8): ID_ESTADO, ID_MUNICIPIO, Votos, NUM_VOTOS_VALIDOS, NUM_VOTOS_CAN_NR...

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

7.0.2 Sustituir Valores:

En esta sección, sustituimos algunos valores de la variable ‘partido’.

datos_2018 <- procesar_variable(datos_2018, 'Partido')
datos_2018 <- procesar_variable_can(datos_2018, 'Partido')

7.0.3 Adición de Variables:

En esta sección, añadimos nuevas variables al tibble; si se presentaron coaliciones en el proceso electoral, se detectan y se añaden al tibble. Además, se agrega la variable ‘anio’ con el valor 2018.

datos_2018 <-  detectar_coaliciones(datos_2018)
datos_2018 <-  agregar_anio(datos_2018, anio=2018)

7.0.4 Filtrar Datos:

En esta sección, filtramos los datos para quedarnos únicamente con las columnas que nos interesan.

datos_2018 <- eliminar_na_y_cero(datos_2018)

7.0.5 Mostrar el Resultado:

Mostramos el tibble actualizado con las nuevas variables añadidas.

reactable(datos_2018)

7.0.6 Guardar los Resultados en la Carpeta ‘Processed’:

Finalmente, guardamos los datos actualizados en un archivo CSV en la carpeta ‘preprocessed’ para su uso posterior.

# write_csv(datos_2018, "/home/barea/limpieza/ayuntamientos/{{cookiecutter.project_slug}}/data/processed/datos_2018.csv")

8 Proceso Electoral 2019:

8.0.1 Cargar el Tibble:

En esta sección, cargamos el tibble que contiene los datos limpios del proceso electoral del año 2019.

datos_2019 <- read_csv("/home/barea/limpieza/ayuntamientos/{{cookiecutter.project_slug}}/data/preprocessed/datos_2019.csv")

Rows: 5970 Columns: 11
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (3): NOMBRE_ESTADO, MUNICIPIO, Partido
dbl (8): ID_ESTADO, ID_MUNICIPIO, Votos, NUM_VOTOS_VALIDOS, NUM_VOTOS_CAN_NR...

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

8.0.2 Sustituir Valores:

En esta sección, sustituimos algunos valores de la variable ‘partido’.

datos_2019 <- procesar_variable(datos_2019, 'Partido')

8.0.3 Adición de Variables:

En esta sección, añadimos nuevas variables al tibble; si se presentaron coaliciones en el proceso electoral, se detectan y se añaden al tibble. Además, se agrega la variable ‘anio’ con el valor 2019.

datos_2019 <-  detectar_coaliciones(datos_2019)
datos_2019 <-  agregar_anio(datos_2019, anio=2019)

8.0.4 Filtrar Datos:

En esta sección, filtramos los datos para quedarnos únicamente con las columnas que nos interesan.

datos_2019 <- eliminar_na_y_cero(datos_2019)

8.0.5 Mostrar el Resultado:

Mostramos el tibble actualizado con las nuevas variables añadidas.

reactable(datos_2019)

8.0.6 Guardar los Resultados en la Carpeta ‘Processed’:

Finalmente, guardamos los datos actualizados en un archivo CSV en la carpeta ‘preprocessed’ para su uso posterior.

# write_csv(datos_2019, "/home/barea/limpieza/ayuntamientos/{{cookiecutter.project_slug}}/data/processed/datos_2019.csv")

9 Proceso Electoral 2021:

9.0.1 Cargar el Tibble:

En esta sección, cargamos el tibble que contiene los datos limpios del proceso electoral del año 2021.

datos_2021 <- read_csv("/home/barea/limpieza/ayuntamientos/{{cookiecutter.project_slug}}/data/preprocessed/datos_2021.csv")

Rows: 77459 Columns: 11
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (3): NOMBRE_ESTADO, MUNICIPIO, Partido
dbl (8): ID_ESTADO, ID_MUNICIPIO, Votos, NUM_VOTOS_VALIDOS, NUM_VOTOS_CAN_NR...

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

9.0.2 Sustituir Valores:

En esta sección, sustituimos algunos valores de la variable ‘partido’.

datos_2021 <- procesar_variable(datos_2021, 'Partido')

9.0.3 Adición de Variables:

En esta sección, añadimos nuevas variables al tibble; si se presentaron coaliciones en el proceso electoral, se detectan y se añaden al tibble. Además, se agrega la variable ‘anio’ con el valor 2021.

datos_2021 <-  detectar_coaliciones(datos_2021)
datos_2021 <-  agregar_anio(datos_2021, anio=2021)

9.0.4 Filtrar Datos:

En esta sección, filtramos los datos para quedarnos únicamente con las columnas que nos interesan.

datos_2021 <- eliminar_na_y_cero(datos_2021)

9.0.5 Mostrar el Resultado:

Mostramos el tibble actualizado con las nuevas variables añadidas.

reactable(datos_2021)

9.0.6 Guardar los Resultados en la Carpeta ‘Processed’:

Finalmente, guardamos los datos actualizados en un archivo CSV en la carpeta ‘preprocessed’ para su uso posterior.

# write_csv(datos_2021, "/home/barea/limpieza/ayuntamientos/{{cookiecutter.project_slug}}/data/processed/datos_2021.csv")

10 Proceso Electoral 2022:

10.0.1 Cargar el Tibble:

En esta sección, cargamos el tibble que contiene los datos limpios del proceso electoral del año 2022.

datos_2022 <- read_csv("/home/barea/limpieza/ayuntamientos/{{cookiecutter.project_slug}}/data/preprocessed/datos_2022.csv")

Rows: 936 Columns: 11
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (3): NOMBRE_ESTADO, MUNICIPIO, Partido
dbl (8): ID_ESTADO, ID_MUNICIPIO, Votos, NUM_VOTOS_VALIDOS, NUM_VOTOS_CAN_NR...

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

10.0.2 Sustituir Valores:

En esta sección, sustituimos algunos valores de la variable ‘partido’.

datos_2022 <- procesar_variable(datos_2022, 'Partido')

10.0.3 Adición de Variables:

En esta sección, añadimos nuevas variables al tibble; si se presentaron coaliciones en el proceso electoral, se detectan y se añaden al tibble. Además, se agrega la variable ‘anio’ con el valor 2022.

datos_2022 <-  detectar_coaliciones(datos_2022)
datos_2022 <-  agregar_anio(datos_2022, anio=2022)

10.0.4 Filtrar Datos:

En esta sección, filtramos los datos para quedarnos únicamente con las columnas que nos interesan.

datos_2022 <- eliminar_na_y_cero(datos_2022)

10.0.5 Mostrar el Resultado:

Mostramos el tibble actualizado con las nuevas variables añadidas.

reactable(datos_2022)

10.0.6 Guardar los Resultados en la Carpeta ‘Processed’:

Finalmente, guardamos los datos actualizados en un archivo CSV en la carpeta ‘preprocessed’ para su uso posterior.

# write_csv(datos_2022, "/home/barea/limpieza/ayuntamientos/{{cookiecutter.project_slug}}/data/processed/datos_2022.csv")